ラッソ回帰

ラッソ回帰とは、回帰モデルの学習において過学習を抑制するための正則化手法の一つです。回帰式の重み（係数）の絶対値の和をペナルティ項として損失関数に加えることで、学習プロセスを制御します。この仕組みはL1正則化とも呼ばれます。

最大の特徴は、不要な特徴量の重みをゼロにできることです。これにより、モデルに必要な変数だけが選択される「変数選択」の効果が得られます。モデルが複雑になりすぎるのを防ぎ、解釈性の高いシンプルなモデルを作りたい場合に非常に有効な手法です。

G検定では、過学習を防ぐための手法として、リッジ回帰との違いが問われます。リッジ回帰が重みの二乗和を用いるのに対し、ラッソ回帰は絶対値和を用い、一部の重みを完全にゼロにするという性質を区別して理解しておくことが試験攻略のポイントです。